M2S-RoAD: Multi-Modal Semantic Segmentation for Road Damage Using Camera and LiDAR Data
Australian Centre for Robotics (ACFR), The University of Sydney（澳大利亚机器人中心（ACFR），悉尼大学）；University of Washington（华盛顿大学）
针对农村道路损伤检测研究不足的问题，本文提出M2S-RoAD数据集，基于相机与LiDAR数据实现道路损伤多模态语义分割，覆盖澳大利亚新南威尔士州农村地区九类损伤，填补农村道路损伤语义分割数据集空白。
2025-04-14 cs.CV
Region Tracking in an Image Sequence: Preventing Driver Inattention
司机注意力不集中是世界各地道路上的一个大问题。本项目的目标是开发一种具有足够计算效率和精度的眼动追踪算法，以成功实现驾驶员长时间远离道路时的视线跟踪。跟踪的方法涉及的功能，使用梯度下降和水平集方法的最小化。然后将该算法离散化，并使用C和MATLAB实现。使用最终设计测试了多个合成图像、灰度图像和彩色图像，所需区域覆盖率为82%。需要进一步的工作来减少计算时间，增加算法的鲁棒性，开发能够运行算法的小型设备，以及将该设备物理地实施到各种车辆中。
2019-08-23 cs.CV
Non-Intrusive Driver Behavior Characterization From Road-Side Cameras
Temple University（天普大学）；Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
在本文中，我们展示了一个概念的证明，用于表征车辆的行为，只使用路边摄像头的ITS系统。该方法的主要优点在于，它可以透明且廉价地在路边基础设施中实施，并且可以具有每个车辆的行为的全局视图，而无需单个车辆或驾驶员的任何参与或意识。通过使用一个设置，包括编程控制的机器人汽车（模拟不同类型的车辆行为）和一个外部摄像机设置来捕捉和分析车辆的行为，我们表明，基于外部视频分析的驱动程序分类产生的准确性是在1- 2%的准确性直接基于车辆的表征。我们还表明，残留误差主要涉及到正确的对象识别和跟踪的差距，因此可以进一步减少与更复杂的设置。该特征可用于增强交通流的安全性和性能，特别是在预计很快将普遍的手动和自动车辆混合场景中。
2023-02-25 cs.CV cs.CY
A method for estimating roadway billboard salience
Comenius University（考门斯基大学）；Faculty of Mathematics Physics and informatics（数学、物理与信息学院）
本研究针对路边广告易分散驾驶员注意力的问题，结合YOLOv5、Faster R-CNN目标检测模型与UniSal、SpectralResidual显著性提取方法估计广告牌显著性，并搭建城市高速驾驶眼动数据库评估模型效果。
2025-01-13 cs.CV
Towards Driver Behavior Understanding: Weakly-Supervised Risk Perception in Driving Scenes
本文提出RAID数据集和弱监督风险识别框架，用于研究驾驶场景中的驾驶员风险感知与行人注意力，实验表明方法在性能上优于现有最先进方法。
2026-03-06 cs.CV
Keep Your AI-es on the Road: Tackling Distracted Driver Detection with Convolutional Neural Networks and Targeted Data Augmentation
Stanford University（斯坦福大学）
根据世界卫生组织的数据，分心驾驶是世界上汽车事故和死亡的主要原因之一。在我们的研究中，我们解决了分心驾驶的问题，旨在建立一个强大的多类分类器，使用State Farm Distracted Driving Dataset检测和识别不同形式的驾驶员注意力不集中。我们利用预训练的图像分类模型，经典的数据增强，基于OpenCV的图像预处理和皮肤分割增强方法的组合。我们表现最好的模型结合了几种增强技术，包括皮肤分割，面部模糊和经典的增强技术。该模型实现了F1分数比基线增加约15%，从而显示了这些技术在增强神经网络用于分心驾驶员检测任务的能力方面的前景。
2020-06-24 cs.CV cs.CY cs.LG
Human-vehicle Cooperative Visual Perception for Autonomous Driving under Complex Road and Traffic Scenarios
Tongji University（同济大学）
人车协同驾驶技术减轻了人类驾驶员的工作负担，已成为自动驾驶的关键技术。然而，复杂的、不确定的道路环境给协作系统的视觉感知带来了巨大的挑战。自动驾驶的感知特性与人工驾驶有很大的不同。为了提高人车协同驾驶的视觉感知能力，提出了一种协同视觉感知模型。收集了506幅复杂道路和交通场景的图像作为数据源。然后对自主车辆的目标检测算法进行了改进。交通要素的平均感知准确率达到75.52%。通过图像融合的方法，将驾驶员的视线点与车辆的监控屏幕进行融合。结果表明，合作视觉感知能更准确地反映冲突最危险区域，预测冲突物体的运动轨迹。研究结果可用于改进视觉感知算法，为规划和控制提供准确的数据。
2022-04-21 cs.CV
Eyes on the Road: A Naturalistic Comparison of MTW Rider Gaze in Urban Indian Traffic
IIIT Hyderabad（海得拉巴国际信息技术学院）
本研究基于myEye2Wheeler数据集，首次大规模分析印度城市交通中摩托车骑手的注视行为，揭示中央视觉与直接注视的功能分工，并发现经验主要优化注视的时间节奏而非分配策略，为行为建模与安全系统提供新见解。
2026-09-29 cs.CV
Development of Low-Cost Real-Time Driver Drowsiness Detection System using Eye Centre Tracking and Dynamic Thresholding
National Institute of Technology Karnataka（卡纳塔克邦国立理工学院）
本研究开发了一种基于眼睛中心跟踪和动态阈值的低成本实时疲劳检测系统，通过摄像头监测眼睛状态并触发警报，以减少因疲劳驾驶导致的事故。
2026-09-15 cs.CV
A Computer Vision-Based Approach for Driver Distraction Recognition using Deep Learning and Genetic Algorithm Based Ensemble
Central Electronics Engineering Research Institute (CSIR-CEERI)（中央电子工程研究所）
随着道路事故的比例逐年增加，驾驶员注意力分散仍然是道路交通伤亡的一个重要风险因素。移动电话和其他无线设备的使用越来越多，使人分心，对道路安全构成潜在风险。我们目前的研究旨在通过提高驾驶员分心分类问题的性能来帮助现有的驾驶员姿势识别技术。我们提出了一种使用基于遗传算法的集成六个独立的深度神经架构的方法，即AlexNet，VGG-16，EfficientNet B 0，Vanilla CNN，Modified DenseNet和InceptionV 3 + BiLSTM。我们在两个综合数据集上进行了测试，一个是AUC分心驾驶员数据集，在该数据集上，我们的技术达到了96.37%的准确率，超过了之前获得的95.98%，另一个是State Farm驾驶员分心数据集，我们达到了99.75%的准确率。在我们的机器上使用Ubuntu 20.04（64位）和GeForce GTX 1080 GPU测量时，6-Model Ensemble的推理时间为0.024秒。
2021-07-28 cs.AI cs.CV
From Laboratory to Road: Evaluating Wearable Gaze Accuracy for Driving
Hochschule München（慕尼黑应用科学大学）
本文提出首个统一框架，在真实驾驶条件下量化可穿戴眼动追踪精度，通过室内外实验将平均误差从4.58度降至1.10度，并指出可靠BEV监督需在线校准和条件相关的不确定性估计。
2026-10-07 cs.CV
Mind2Drive: Predicting Driver Intentions from EEG in Real-world On-Road Driving
Department of Computer Science, Imam Mohammad Ibn Saud Islamic University（伊玛姆·莫哈默德·伊本·沙特伊斯兰大学计算机科学系）；Department of Computer Science, Princess Nourah bint Abdulrahman University（努拉·本·阿卜杜勒拉赫曼大学计算机科学系）
本文提出了一种基于EEG的驾驶员意图预测框架，通过同步多传感器平台在真实电动车上进行评估，展示了在现实道路驾驶中EEG信号的稳定性及预测性能。
2026-04-21 cs.CV cs.HC cs.LG
A Real-Time Driver Drowsiness Detection System Using MediaPipe and Eye Aspect Ratio
Vishwakarma Institute of Technology（维什瓦卡玛理工学院）
针对驾驶员疲劳引发交通事故的问题，本文提出基于MediaPipe Face Mesh与EAR的实时困倦检测系统，依托普通摄像头和OpenCV实现低成本高准确率的监测与警报，可集成至ADAS。
2025-11-17 cs.CV
Weather-Dependent Variations in Driver Gaze Behavior: A Case Study in Rainy Conditions
Connected & Automated Vehicles National Research Council Canada（连接与自动化车辆国家研究委员会加拿大）；National Research Council Canada（加拿大国家研究委员会）；Transport Canada（加拿大运输部）
该研究通过两步聚类等方法分析驾驶员在晴雨天下的高速行驶注视行为，发现雨天驾驶员更频繁看仪表盘、注视更久且仰角更高，为ADAS和DMS设计提供参考。
2025-08-31 cs.CV
DSDFormer: An Innovative Transformer-Mamba Framework for Robust High-Precision Driver Distraction Identification
Sun Yat-Sen University（中山大学）；South China University of Technology（华南理工大学）；Shanghai Jiao Tong University（上海交通大学）；City University of Hong Kong（香港城市大学）
针对驾驶员分心识别中特征捕捉不足与标签噪声问题，提出融合Transformer与Mamba的DSDFormer框架及无监督TRCL标签修正方法，在多个数据集上取得SOTA性能且支持实时部署，提升了检测的准确性与鲁棒性。
2024-09-12 cs.CV
Behavioral Research and Practical Models of Drivers' Attention
York University（约克大学）
对许多人来说，开车是一项日常活动，但这远非简单。驾驶员同时处理多项任务，例如保持车辆在车道上，观察和预测其他道路使用者的行动，对危险做出反应，以及处理车内和车外的干扰。不注意周围的物体和事件并做出反应可能会导致事故。道路基础设施和车辆机械设计的不断改进使驾驶总体上更加安全。然而，驾驶员注意力不集中的问题仍然是事故的主要原因之一。因此，了解驾驶员看向哪里以及他们为什么这样做可以帮助消除分心的来源并识别不安全的注意力模式。对驾驶员注意力的研究对许多实际应用都有影响，例如政策制定，改善驾驶员教育，加强道路基础设施和车载信息娱乐系统，以及设计驾驶员监控，驾驶员辅助和自动驾驶系统。这份报告涵盖了由于驾驶员内部和外部因素而导致的驾驶员视觉注意力分布变化的文献。驾驶过程中的注意力方面已经在多个学科中进行了探索，包括心理学，人为因素，人机交互，智能交通和计算机视觉，每个学科都为观察到的现象提供了不同的视角，目标和解释。我们将驾驶员注意力的跨学科理论和行为研究与实际解决方案联系起来。最后，讨论了研究的局限性和未来研究的方向。该报告基于自2010年以来发表的175项行为研究，近100篇实用论文，20个数据集和70多项调查。用于本报告的精选论文列表可在\url{https://github.com/ykotseruba/attention_and_driving}上查阅。
2021-12-13 cs.CV cs.RO
Review. Machine learning techniques for traffic sign detection
The University of Waterloo（滑铁卢大学）
一种自动道路标志检测系统，从由车辆的车载摄像机捕获的图像内定位道路标志，并支持驾驶员正确地驾驶车辆。大多数现有的算法包括预处理步骤，特征提取和检测步骤。本文将应用于道路标志检测的方法分为两大类：一般机器学习和神经网络。在这篇综述中，与道路标志自动检测相关的问题得到了解决，流行的现有方法开发来解决道路标志检测问题，并比较这些方法的特点组成。
2017-12-13 cs.CV
Driver Assistance System Based on Multimodal Data Hazard Detection
本文提出一种融合道路视频、驾驶员面部视频和音频的多模态驾驶辅助检测系统，采用基于注意力的中间融合策略实现端到端学习，并构建三模态数据集，以提升罕见驾驶异常的识别准确性、减少误判并增强驾驶安全。
2025-02-05 cs.CV cs.LG
Inadequate contrast ratio of road markings as an indicator for ADAS failure
Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）；M. Swarovski GmbH（M·施华洛世奇有限公司）
本文通过测试开源摄像头ADAS在不同能见度下的表现，发现道路标线对比度不足是导致车道识别和轨迹规划失效的关键指标，并证明II型结构化标线在恶劣条件下比I型平面标线具有显著更高的对比度和更好的ADAS可靠性。
2024-10-17 cs.CV
Joint Attention in Driver-Pedestrian Interaction: from Theory to Practice
York University（约克大学）
如今，自动驾驶汽车面临的主要挑战之一是在城市环境中驾驶的能力。这样的任务需要自动驾驶车辆和其他道路使用者之间的通信，以便解决各种交通模糊性。道路使用者之间的互动是一种协商的形式，在这种协商中，参与各方必须分享他们的注意力关于一个共同的目标或一个目标（例如，过一个十字路口），并协调他们的行动，以实现it. In这篇文献综述中，我们的目的是解决行人和司机（或车辆）之间的互动问题，从联合注意的角度来看。更具体地说，我们将讨论联合注意背后的理论背景，它在交通交互中的应用以及实现自动驾驶汽车联合注意的实用方法。
2018-03-27 cs.CV cs.RO
OpenDriver: An Open-Road Driver State Detection Dataset
针对开放道路驾驶员生理数据集稀缺且质量不足的问题，本文构建大规模多模态数据集OpenDriver，含3278次行程、4600小时ECG与方向盘IMU数据，还为信号质量评估等三个任务提供基准，推动驾驶员状态检测研究。
2024-12-04 cs.AI cs.CV cs.HC
Towards a new system for drowsiness detection based on eye blinking and head posture estimation
University of Sfax（斯法克斯大学）；National School of Engineers (ENIS)（国家工程师学院（ENIS））
驾驶员疲劳问题被认为是导致道路交通事故增加的重要原因之一。本文提出了一种新的方法，实时驾驶员困倦，以防止交通事故。该系统使用智能摄像头拍摄驾驶员的面部图像，并监督眨眼（打开和关闭）状态和头部姿势，以检测不同的困倦状态。人脸和眼睛检测采用Viola和Jones技术。
2018-05-31 cs.CV eess.IV
Lane Detection System for Driver Assistance in Vehicles
Institute of Informatics Federal University of Goiás Goiânia, Goiás；School of Electrical, Mechanical；Computer Engineering Federal University of Goiás Goiânia, Goiás；Institute of Informatics Federal University of Goiás Goiânia, Goiás matheus\
本研究开发基于传统计算机视觉的车道检测系统，通过含相机标定、滑动窗口等的图像处理流水线实现多场景车道精准检测，在多种条件下表现良好，具驾驶辅助应用潜力。
2024-10-05 cs.CV
A Driver Fatigue Recognition Algorithm Based on Spatio-Temporal Feature Sequence
School of Automation, Southeast University（东南大学自动化学院）
研究表明，疲劳驾驶是导致道路交通事故的重要原因之一，因此研究驾驶员疲劳识别算法对提高道路交通安全具有重要意义。近年来，随着深度学习的发展，模式识别领域取得了长足的发展。设计了一种基于时空特征序列的实时疲劳状态识别算法，主要应用于疲劳驾驶识别场景。该算法分为三个任务网络：人脸检测网络、人脸标志点检测和头部姿态估计网络、疲劳识别网络。实验表明，该算法具有体积小、速度快、精度高等优点。
2020-03-18 cs.CV cs.LG eess.IV
Heatmap-Based Method for Estimating Drivers' Cognitive Distraction
Valeo（法雷奥）
为了提高道路安全性，在视觉和手动干扰中，现代智能车辆还需要检测认知分心驾驶（即，驾驶员的注意力转移）。本研究探讨认知过程对驾驶员注视行为的影响。提出了一种新的基于图像的表示驾驶员的眼睛注视分散估计认知分心。数据是在开放的高速公路上收集的，有一个量身定制的协议，以创造认知分散。所创建的形状的视觉差异表明，与分心驾驶相比，驾驶员在中性驾驶中探索更宽的区域。因此，支持向量机（SVM）为基础的分类器进行训练，并达到85.2%的准确率为两个类的问题，即使是一个小的数据集。因此，所提出的方法具有辨别力，以识别认知分心使用凝视信息。最后，这项工作详细说明了这种基于图像的表示如何适用于其他分心驾驶检测的情况。
2020-10-31 cs.CV cs.HC q-bio.NC
Interaction Graphs for Object Importance Estimation in On-road Driving Videos
Indiana University（印第安纳大学）；Honda Research Institute（本田研究所）
沿着道路行驶的车辆被许多物体包围，但只有其中的一小部分会影响驾驶员的决定和行动。学会估计每个物体对驾驶员实时决策的重要性，可能有助于更好地理解人类驾驶行为，并带来更可靠的自动驾驶系统。解决这个问题需要模型，了解自我车辆和周围物体之间的相互作用。然而，场景中的其他对象之间的交互也可能非常有帮助，例如，行人开始穿过自我车辆和前面的汽车之间的道路将使前面的汽车不那么重要。我们提出了一个新的框架，对象的重要性估计使用的交互图，其中每个对象节点的功能更新与其他通过图形卷积。实验表明，我们的模型优于国家的最先进的基线少得多的输入和预处理。
2020-03-12 cs.CV cs.RO
Effect of roundabout design on the behavior of road users: A case study of roundabouts with application of Unsupervised Machine Learning
An-Najah National University（安-纳贾国家大学）；Al-najah University（安-纳贾大学）
该研究基于无监督机器学习分析公交车、小汽车和卡车驾驶员通过环岛时的速度与行为分类，揭示环岛减速和减少冲突点对安全的作用。
2023-09-25 cs.AI cs.CV cs.CY
Learning Road Scene-level Representations via Semantic Region Prediction
Johns Hopkins University（约翰斯·霍普金斯大学）；National Yang Ming Chiao Tung University（阳明交通大学）
在这项工作中，我们解决了自动驾驶系统中的两个重要任务，即，驾驶员意图预测和风险对象识别。主要是，我们调查的问题：什么是好的道路场景级表示这两项任务？我们认为，一个场景级的表示必须捕捉更高层次的语义和几何表示的交通场景周围的自我车辆，同时执行行动，以他们的目的地。为此，我们引入了语义区域的表示，语义区域是自我车辆在采取所提供的动作时访问的区域（例如，在4路交叉口左转）。我们建议通过一种新的语义区域预测任务和自动语义区域标记算法来学习场景级表示。在HDD和nuScenes数据集上进行了广泛的评估，学习的表示导致了驾驶员意图预测和风险对象识别的最先进性能。
2023-02-27 cs.CV cs.RO
Deep Learning with Attention Mechanism for Predicting Driver Intention at Intersection
Intel Corporation（英特尔公司）；USAA（美国联合服务汽车协会）
本文提出了一种交叉口附近的驾驶员意图预测方法。我们的方法使用深度双向长短期记忆（LSTM），并基于混合状态系统（HSS）框架的注意力机制模型。交叉口被认为是道路交通事故的主要来源之一，预测驾驶员在交叉口的意图是非常重要的。我们的方法使用序列到序列建模与注意力机制，有效地利用时间序列车辆数据，包括速度和偏航率的时间信息。然后，该模型提前预测目标车辆/驾驶员是否会直行、停车、右转或左转。在自然驾驶数据集上对所提出的方法的性能进行了评估，结果表明，我们的方法具有很高的准确性，并且优于其他方法。所提出的解决方案有望应用于先进的驾驶员辅助系统（ADAS），并作为自动驾驶汽车主动安全系统的一部分。
2020-06-10 cs.AI cs.CV cs.HC
Real-time Driver Drowsiness Detection for Android Application Using Deep Neural Networks Techniques
Qatar Transportation and Traffic Safety Center, Qatar University（卡塔尔大学卡塔尔交通运输与交通安全中心）；Rutgers, The State University of New Jersey（罗格斯大学（新泽西州立大学））
道路撞车和相关形式的事故是造成人类伤亡的常见原因。根据世界卫生组织2015年的数据，道路交通伤害导致全球约125万人死亡，即大约每25秒就有一个人经历致命的撞车事故。虽然欧洲的交通事故的成本估计为约1600亿欧元，但如美国国家公路交通安全管理局（NHTSA）所报告的，仅在美国，驾驶员困倦就占每年约100，000起事故。提出了一种新的实时的【形】睡意检测方法。这种方法基于一种深度学习方法，可以在Android应用程序上实现，具有很高的准确性。本文的主要贡献是将重基线模型压缩为轻量级模型。此外，设计了基于人脸特征点检测的最小网络结构，用于识别驾驶员是否困倦。该模型能够达到80%以上的精度。关键词：驾驶员监控系统;困倦检测;深度学习;实时的【形】深度神经网络; Android.
2018-11-05 cs.CV cs.HC
Towards Infusing Auxiliary Knowledge for Distracted Driver Detection
International Institute of Information Technology, Hyderabad（国际信息技术学院（海得拉巴））；AI Institute, University of South Carolina, Columbia, SC（南卡罗来纳大学人工智能学院）
针对分心驾驶检测任务，提出KiD3方法，通过构建统一框架融合场景图、驾驶员姿态信息与视频视觉线索，注入辅助知识以提升模型泛化能力，使准确率较仅视觉基线提升13.64%。
2024-08-29 cs.AI cs.CV cs.LG
A Hierarchical Fuzzy System for an Advanced Driving Assistance System
University of Sfax（斯法克斯大学）；National School of Engineers (ENIS)（国家工程师学院（ENIS））
在这项研究中，我们提出了一个层次模糊系统，通过评估的危险状态，驾驶员辅助系统，以有助于减少道路交通事故的数量。该系统的一个关键组成部分是它的能力，不断检测和测试的内部和外部的风险，在实时：外部汽车的风险，通过检测各种道路移动物体;该系统的立场上计算机视觉的方法。内部的风险，通过提出一个自动系统，困倦驾驶识别或检测通过评估脑电信号的驱动程序;这个开发的系统是基于计算机视觉技术和生物特征识别因素（脑电图脑电图）。该系统由三个主要模块组成。第一模块负责通过驾驶员的眼球运动（身体困倦）来识别驾驶员的困倦状态。第二个负责检测和分析他的生理信号，以识别他的困倦状态（道德困倦）。第三个模块负责通过实时的检测道路上不同的运动物体来评估道路驾驶风险。最后的决策将通过合并的三个检测系统，通过使用模糊决策规则。最后，所提出的方法已经改进了十个样本从一个建议的数据集。
2018-06-02 cs.AI cs.CV
Classification of Driver Behaviour Using External Observation Techniques for Autonomous Vehicles
Atlantic Technological University（大西洋理工大学）
本文提出了一种基于外部观测技术的自动驾驶车辆驾驶员行为分类系统，利用计算机视觉方法检测分心和受 impairment 的驾驶行为，并通过实验验证了其在不同环境下的可靠性。
2025-10-29 cs.AI cs.CV cs.ET
Enhancing Road Safety: An IoT-Based Accident Detection and Prevention Mechanism
University of Southern California（美国南加州大学）；Coimbatore Institute of Technology（科伊巴托尔理工学院）
提出一种基于物联网的交通事故预防与检测系统（APDS），通过多层级架构实现实时遥测监控、主动报警和自动紧急通信，以降低事故风险并优化应急响应。
2026-06-23 cs.CV cs.ET cs.SY
Predictions of short-term driving intention using recurrent neural network on sequential data
Athena Robotics, INC.（雅典娜机器人公司）
预测驾驶员的意图及其使用道路的行为对于自动驾驶车辆的规划和决策过程非常重要。特别地，相对短期的驾驶意图是构成更复杂的驾驶目标、行为的基本单元，例如超越前面的慢速车辆、退出或并入高速公路等。虽然大多数时候人类驾驶员可以提前合理化各种道路上的行为、意图以及相关联的风险、攻击性、互惠特征等并不罕见，这样的推理技能对于自动驾驶系统来说可能是具有挑战性的并且难以学习。在这篇文章中，我们展示了一个纪律严明的方法，可用于建立和训练预测驱动系统，因此学习上述道路上的特点。
2018-03-28 cs.AI cs.CV cs.LG
On the Road to Clarity: Exploring Explainable AI for World Models in a Driver Assistance System
University of Konstanz（康斯坦茨大学）
针对自动驾驶黑盒模型的安全性问题，提出基于重正化群的透明VAE主干模型与特征图可视化技术，并构建了VAE-LSTM世界模型的解释评估方法，以分析预测网络内部动力学并提升交通安全性。
2024-04-26 cs.CV cs.LG cs.MA
Real-time Driver Monitoring Systems on Edge AI Device
Ignitarium Technology Solutions Private Limited（Ignitarium科技解决方案私人有限公司）
本文提出一种运行于TI-TDA4VM边缘设备上的实时驾驶员监控系统，通过红外摄像头采集数据并采用模型手术优化深度学习模型以充分利用硬件加速器，最终实现63 FPS的高性能。
2023-04-04 cs.AI cs.AR cs.CV
